| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-16页 |
| ·引言 | 第9页 |
| ·研究背景 | 第9-10页 |
| ·研究现状 | 第10-11页 |
| ·手写识别实现方法 | 第11-14页 |
| ·手写识别研究难点 | 第14页 |
| ·本文主要研究内容 | 第14-15页 |
| ·本章小结 | 第15-16页 |
| 第二章 脱机手写数字识别的预处理 | 第16-28页 |
| ·引言 | 第16-17页 |
| ·灰度化和图像增强 | 第17-20页 |
| ·灰度化 | 第17页 |
| ·图像增强 | 第17-20页 |
| ·二值化 | 第20-21页 |
| ·倾斜矫正 | 第21-22页 |
| ·字符细化 | 第22-23页 |
| ·字符细化概述 | 第22-23页 |
| ·基于SPTA的细化算法 | 第23页 |
| ·字符分割 | 第23-25页 |
| ·投影法 | 第24页 |
| ·气泡法 | 第24-25页 |
| ·归一化 | 第25-27页 |
| ·位置归一化 | 第25页 |
| ·大小归一化 | 第25-27页 |
| ·本章小结 | 第27-28页 |
| 第三章 基于小波变换的数字识别特征提取 | 第28-40页 |
| ·引言 | 第28页 |
| ·小波分析理论 | 第28-33页 |
| ·连续小波变换 | 第28-30页 |
| ·离散小波变换 | 第30-31页 |
| ·多分辨率分析理论 | 第31-33页 |
| ·常用的特征提取方法 | 第33-39页 |
| ·像素级特征 | 第33-34页 |
| ·全局特征 | 第34-35页 |
| ·两个常用的特征提取方法 | 第35-37页 |
| ·基于小波变换的特征提取 | 第37-39页 |
| ·本章小结 | 第39-40页 |
| 第四章 基于HOPFIELD的脱机手写数字识别 | 第40-50页 |
| ·引言 | 第40-43页 |
| ·神经元模型 | 第40-41页 |
| ·人工神经网络模型 | 第41-42页 |
| ·神经网络的学习方式和学习规则 | 第42-43页 |
| ·Hopfield神经网络 | 第43-45页 |
| ·Hopfield网络模型描述 | 第43-44页 |
| ·离散型Hopfield网络的工作方式 | 第44-45页 |
| ·神经网络模式识别对预处理的基本要求 | 第45-46页 |
| ·基于Hopfield神经网络的手写数字识别系统流程 | 第46-48页 |
| ·基于Hopfield神经网络手写数字识别实现 | 第48-49页 |
| ·本章小结 | 第49-50页 |
| 第五章 基于HOPFIELD网络的脱机手写数字识别系统 | 第50-65页 |
| ·引言 | 第50-51页 |
| ·开发工具介绍 | 第51-52页 |
| ·Matlab简介 | 第51页 |
| ·Matlab开发优点 | 第51-52页 |
| ·脱机手写图像的预处理 | 第52-59页 |
| ·手写数字图像的灰度化 | 第53页 |
| ·基于中值滤波的图像增强 | 第53-55页 |
| ·图像的二值化处理 | 第55-56页 |
| ·数字字符倾斜调整和细化 | 第56-59页 |
| ·手写数字串的分割和识别 | 第59-64页 |
| ·基于识别的分割过程 | 第59页 |
| ·确定分割候选者 | 第59-60页 |
| ·分类器的选择 | 第60-61页 |
| ·选择最佳组合的动态规划策略 | 第61页 |
| ·测试结果 | 第61-64页 |
| ·本章小结 | 第64-65页 |
| 第六章 总结及展望 | 第65-67页 |
| 参考文献 | 第67-70页 |
| 致谢 | 第70-71页 |
| 攻读学位期间主要研究成果 | 第71页 |